1.一种水泥成品比表面积预测方法，其特征在于，包括：获取待测试水泥成品数据；所述待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值；所述粒度数据包括多个粒度值；

各所述粒度值均属于不同的粒度范围；

将所述待测试水泥成品数据输入至训练好的比表面积预测模型中，得到待测试水泥成品的比表面积预测值；所述训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的；

所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值；

所述第一粒度值小于3μm，所述第二粒度值的所属粒度范围为(3μm，32μm)，所述第三粒度值大于45μm，所述第四粒度值大于60μm，所述第五粒度值大于80μm。

2.根据权利要求1所述的一种水泥成品比表面积预测方法，其特征在于，所述训练好的比表面积预测模型的确定方法为：

获取待训练水泥成品数据；所述待训练水泥成品数据包括待训练水泥成品多个时刻的粒度数据、每个时刻对应的比表面积实验值和与每个时刻对应的上一时刻的比表面积实验值；

构建卷积神经网络模型；所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层；

将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量，将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量，对所述卷积神经网络模型进行训练，确定模型参数；所述模型参数包括卷积核的权重和卷积核的偏置；

将训练好的卷积神经网络模型确定为比表面积预测模型；

采用反向传播算法对所述比表面积预测模型中的卷积核的权重和卷积核的偏置进行调整；

将调整后的比表面积预测模型确定为训练好的比表面积预测模型。

3.根据权利要求2所述的一种水泥成品比表面积预测方法，其特征在于，所述将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量，将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量，对所述卷积神经网络模型进行训练，确定模型参数，具体包括：对所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值采用滑动窗口进行处理，得到按时间序列排列的输入参量；所述时间序列Xa＝{Xa(t),Xa(t+1),…,Xa(t+μ)},a＝1,2,3,4,5,6，其中，Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列；

将所述按时间序列排列的输入参量经所述输入层输入至所述卷积层，采用n1个卷积核对所述按时间序列排列的输入参量进行横向卷积，得到卷积后的神经元数据矩阵，具体为其中，hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素，f表示激活函数，wi表示卷积核的权重，bi表示卷积核的偏置；

将所述卷积后的神经元数据矩阵输入至所述池化层，采用1*q个池化核对所述卷积后的神经元数据矩阵进行平均池化，得到池化后的神经元数据矩阵，具体为其中，pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素，q表示池化区域的大小，D表示单个神经元数据矩阵的长度，F表示单个神经元数据矩阵的宽度；

采用n2个卷积核对所述池化后的神经元数据矩阵依次进行横向卷积和平均池化，得到二次池化后的神经元数据矩阵；

将所述二次池化后的神经元数据矩阵输入至所述全连接层，采用n2个卷积核对所述二次池化后的神经元数据矩阵进行卷积，得到全连接层输出向量，具体为其中，yu表示全连接层输出向量中每个神经元中的数值，xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素，T表示全连接层中神经元的个数，n表示卷积核的原始个数；

将所述全连接层输出向量输入至所述输出层中，进行线性加权求和，得到水泥成品比表面积输出值，具体为

其中， 为水泥成品比表面积输出值；

将所述水泥成品比表面积输出值与对应时刻的比表面积实验值进行对比，调整所述卷积神经网络模型中的模型参数，完成对所述卷积神经网络模型的训练，最终确定模型参数。

4.根据权利要求1所述的一种水泥成品比表面积预测方法，其特征在于，在所述获取待测试水泥成品数据之后，还包括：

对所述待测试水泥成品数据进行归一化处理。

5.一种水泥成品比表面积预测系统，其特征在于，包括：数据获取模块，用于获取待测试水泥成品数据；所述待测试水泥成品数据包括待测试水泥成品当前时刻的粒度数据和待测试水泥成品上一时刻的比表面积实验值；所述粒度数据包括多个粒度值；各所述粒度值均属于不同的粒度范围；

预测模块，用于将所述待测试水泥成品数据输入至训练好的比表面积预测模型中，得到待测试水泥成品的比表面积预测值；所述训练好的比表面积预测模型是通过卷积神经网络算法和反向传播算法确定的；

所述粒度数据包括第一粒度值、第二粒度值、第三粒度值、第四粒度值和第五粒度值；

所述第一粒度值小于3μm，所述第二粒度值的所属粒度范围为(3μm，32μm)，所述第三粒度值大于45μm，所述第四粒度值大于60μm，所述第五粒度值大于80μm。

6.根据权利要求5所述的一种水泥成品比表面积预测系统，其特征在于，还包括：预测模型确定模块；所述预测模型确定模块用于确定训练好的比表面积预测模型；所述预测模型确定模块，具体包括：

训练数据获取单元，用于获取待训练水泥成品数据；所述待训练水泥成品数据包括待训练水泥成品多个时刻的粒度数据、每个时刻对应的比表面积实验值和与每个时刻对应的上一时刻的比表面积实验值；

模型构建单元，用于构建卷积神经网络模型；所述卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层；

训练单元，用于将所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值作为所述卷积神经网络模型的输入参量，将所述每个时刻对应的比表面积实验值作为所述卷积神经网络模型的输出参量，对所述卷积神经网络模型进行训练，确定模型参数；所述模型参数包括卷积核的权重和卷积核的偏置；

第一模型确定单元，用于将训练好的卷积神经网络模型确定为比表面积预测模型；

参数调整单元，用于采用反向传播算法对所述比表面积预测模型中的卷积核的权重和卷积核的偏置进行调整；

第二模型确定单元，用于将调整后的比表面积预测模型确定为训练好的比表面积预测模型。

7.根据权利要求6所述的一种水泥成品比表面积预测系统，其特征在于，所述训练单元，具体包括：

滑动处理子单元，用于对所述多个时刻的粒度数据和所述每个时刻对应的上一时刻的比表面积实验值采用滑动窗口进行处理，得到按时间序列排列的输入参量；所述时间序列Xa＝{Xa(t),Xa(t+1),…,Xa(t+μ)},a＝1,2,3,4,5,6，其中，Xa表示第a个输入参量对应的从t时刻到t+μ时刻的时间序列；

卷积子单元，用于将所述按时间序列排列的输入参量经所述输入层输入至所述卷积层，采用n1个卷积核对所述按时间序列排列的输入参量进行横向卷积，得到卷积后的神经元数据矩阵，具体为

其中，hi,j表示卷积后的神经元数据矩阵中第i行第j列的元素，f表示激活函数，wi表示卷积核的权重，bi表示卷积核的偏置；

池化子单元，用于将所述卷积后的神经元数据矩阵输入至所述池化层，采用1*q个池化核对所述卷积后的神经元数据矩阵进行平均池化，得到池化后的神经元数据矩阵，具体为其中，pi,j/q表示池化后的神经元数据矩阵中第i行第j/q列的元素，q表示池化区域的大小，D表示单个神经元数据矩阵的长度，F表示单个神经元数据矩阵的宽度；

二次处理子单元，用于采用n2个卷积核对所述池化后的神经元数据矩阵依次进行横向卷积和平均池化，得到二次池化后的神经元数据矩阵；

全连接层卷积子单元，用于将所述二次池化后的神经元数据矩阵输入至所述全连接层，采用n2个卷积核对所述二次池化后的神经元数据矩阵进行卷积，得到全连接层输出向量，具体为

其中，yu表示全连接层输出向量中每个神经元中的数值，xk,l表示二次池化后的神经元数据矩阵中第k行第l列元素，T表示全连接层中神经元的个数，n表示卷积核的原始个数；

输出层处理子单元，用于将所述全连接层输出向量输入至所述输出层中，进行线性加权求和，得到水泥成品比表面积输出值，具体为其中， 为水泥成品比表面积输出值；

调整子单元，用于将所述水泥成品比表面积输出值与对应时刻的比表面积实验值进行对比，调整所述卷积神经网络模型中的模型参数，完成对所述卷积神经网络模型的训练，最终确定模型参数。

8.根据权利要求5所述的一种水泥成品比表面积预测系统，其特征在于，还包括归一化处理模块；

所述归一化处理模块用于对所述待测试水泥成品数据进行归一化处理。